-
公开(公告)号：CN119647548A
公开(公告)日：2025-03-18
申请号：CN202510183747.3
申请日：2025-02-19
Applicant: 福州大学
Abstract: 本发明公开了一种基于改进ESOA‑GA的光伏电站功率短期预测方法，涉及光伏电站技术领域，利用ESOA算法随机生成初始种群，并结合特征提取后的数据集分析个体预测精度获取初始适应度，在此基础上，围绕个体当前位置展开局部搜索，通过计算伪梯度估计值对个体进行更新，这一过程能够深度挖掘局部区域内的最优解。经过多轮迭代，可有效提升个体质量，初步优化各个体，为后续的遗传算法提供优质的初始种群。在ESOA初步优化个体的基础上，引入遗传算法。GA模拟自然选择过程，计算选择概率筛选待优化个体，通过交叉操作生成混合个体，这种方式能在更广泛的解空间中搜索，避免陷入局部最优解。
-
公开(公告)号：CN119358425A
公开(公告)日：2025-01-24
申请号：CN202411936181.9
申请日：2024-12-26
Applicant: 福州大学
IPC: G06F30/27 , G06N3/006 , H02J3/00 , G06F111/04 , G06F111/06 , G06F113/04
Abstract: 本发明公开了一种基于混合群智能算法的光伏参数建模方法，涉及光伏参数建模的技术领域，利用拉丁超立方设计确定特征权重的采样范围，并生成n个特征权重向量，有效覆盖参数空间，提升了种群初始化的质量和多样性，增强了算法的全局探索能力。通过对实时光伏功率预测值和适应度的动态判断，快速评估当前模型的误差范围是否可接受，从而减少不必要的迭代计算时间。自适应优化机制：在局部优化阶段，利用萤火虫算法动态更新粒子位置，结合平衡预测模型拟合的平衡指数，实现优化精度和搜索效率的协同提升，保证了算法在优化过程中的稳定性和收敛速度。通过对平衡指数与评估阈值的比对分析，选取相对较优的粒子位置。
-
公开(公告)号：CN114187208B
公开(公告)日：2024-06-28
申请号：CN202111549115.2
申请日：2021-12-17
Applicant: 福州大学
IPC: G06T5/70 , G06T5/20 , G06T7/90 , G06T3/4007
Abstract: 本发明提供了一种基于融合代价和自适应惩罚项系数的半全局立体匹配方法，首先采用指数融合公式将输入图像的Census变换代价值、AD代价值、输入图像的#imgabs0#方向梯度和#imgabs1#方向梯度进行结合，获得融合匹配代价；然后根据像素点所处位置的颜色分量和梯度分量，选择对应的系数进行多路代价聚合；接着在三维视差空间中选择代价值最小的视差值，组成初始视差图；最后经过视差优化处理流程，得到最终的视差图。在Middlebury平台的Cones、Teddy和Tsukuba图像上的实验表明，相比原始半全局立体匹配算法，应用本技术方案可实现所有区域平均误差降低13.3%～34.5%；不连续区域平均误差降低20.3%～36.2%；非遮挡区域平均误差降低13.8%～51%。
-
公开(公告)号：CN108111125B
公开(公告)日：2023-11-14
申请号：CN201810083455.2
申请日：2018-01-29
Applicant: 福州大学
IPC: H02S50/10
Abstract: 本发明公开了一种光伏阵列的IV特性曲线扫描与参数辨识系统及方法，系统包括数据采集模块、光伏阵列IV特性曲线扫描模块、存储模块和显示模块，数据采集模块对光伏阵列的温度和光照度进行采样，并通过低功耗无线传感网络传输给光伏阵列IV特性曲线扫描模块，基于动态电容充电方法进行IV特性曲线扫描，检测阵列输出电流和电压并存储；将扫描到的IV曲线转化为标准条件下（STC）的IV曲线，利用ABC‑NM单纯形混合算法进行IV曲线拟合，准确辨识光伏模型参数。本发明系统既能携带至户外，以辅助检测人员对光伏阵列进行人工检测，又能放置于汇流箱，与上位机连接实现实时在线的组件级和组件串级的分布式光伏阵列IV曲线扫描。
-
公开(公告)号：CN115510908A
公开(公告)日：2022-12-23
申请号：CN202211186553.1
申请日：2022-09-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于多尺度卷积神经网络的枪支射击识别方法。包括：步骤S1、采集整个射击过程中产生的加速度原始数据；步骤S2、将采集来的加速度原始数据进行预处理；然后进行数据帧的筛选，分别对三轴加速度信号进行前向差分，通过设定阈值确定候选枪击信号帧；最后选择合适的时间窗长度T，截取固定采样点数的枪击信号和非枪击信号，分别打上相应标签，将其作为数据集，并分为训练集和测试集；步骤S3、采用多尺度卷积神经网对训练数据集进行学习，并用Adam反向传播算法调整网络的参数；步骤S4、将测试数据集中待预测疑似枪击加速度数据作为模型的输入，最终得到识别准确率最高的模型。本发明的技术方案能够显著提高枪支射击识别的准确率和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN109784476B
公开(公告)日：2022-08-16
申请号：CN201910029814.0
申请日：2019-01-12
Applicant: 福州大学
IPC: G06N3/04 , G06V10/764 , G06K9/62
Abstract: 本发明涉及一种改进DSOD网络的方法，首先对输入图像进行预处理，将预处理后的图像输入到DSOD特征提取子网络中，在特征提取子网络的第二个转接层后加入RFB_a网络模块，经过RFB_a网络中不同采样步长的Atrous卷积提取具有不同感受野的特征，在特征提取子网络后加入采样步长为6的Atrous卷积层，将Atrous卷积层产生的特征输入到多尺度预测层中，将多尺度预测层输入到损失函数中，在损失函数中加入IOG惩罚项，防止在预测密集的同类型目标时出现同类预测框重叠。同时，在训练阶段采用预热策略设置学习率，通过设置合适的批样本大小，降低了训练网络的硬件设备要求。本发明相对于原DSOD算法具有更高的检测精度，提高了对小目标的检测能力，同时降低了训练网络的硬件设备要求。
-
公开(公告)号：CN114867165A
公开(公告)日：2022-08-05
申请号：CN202210682896.0
申请日：2022-06-15
Applicant: 福州大学 , 福州福大自动化科技有限公司
Abstract: 本发明涉及一种基于长短期记忆神经网络的智慧路灯控制方法。从气象网站获取路灯所在地的湿度、风速、PM2.5、PM10等气象数据，并利用照度传感器采集照度信息，以此作为智慧路灯控制的样本数据集；对每个样本信号进行归一化处理；调用长短期记忆神经网络算法，以湿度、风速、PM2.5、PM10作为模型的输入特征，能见度作为模型的输出，构建能见度检测算法模型；结合能见度检测算法模型所得的能见度情况与当前的照度情况构建路灯控制策略；根据所构建的路灯控制策略，在高能见度时，采用普通亮度与高色温照明模式，节约能源；在低能见度时输出更高的亮度与更低的色温，增强路灯透雾能力。本发明能够实现不同能见度下的路灯自适应调光。
-
公开(公告)号：CN113221468B
公开(公告)日：2022-07-08
申请号：CN202110605736.1
申请日：2021-05-31
Applicant: 福州大学
IPC: G06F30/27 , G06K9/62 , G06N20/00 , G06F119/08
Abstract: 本发明涉及基于集成学习的光伏阵列故障诊断方法，包括以下步骤：获取光伏面板的实际I‑V特性曲线信息和环境信息；计算I‑V特性曲线的电气参数、几何特征，并结合光伏阵列单二极管等效模型电路的模型参数和光伏阵列的背板温度、环境辐照度作为故障特征；对特征数据进行零均值标准化处理，并对故障标签进行序号编码；根据集成学习的模型堆叠方法搭建故障诊断模型，以极端随机树、LightGBM、支持向量机和K‑近邻算法作为模型堆叠第一层的算法，极端随机树作为第二层算法，并用网格搜索选择算法的超参数；根据训练好的模型预测光伏阵列的故障类型，评估和优化光伏电站的工作状态。本发明结合不同算法的优点，提升了故障诊断算法的预测精度和稳定性。
-
公开(公告)号：CN113255554B
公开(公告)日：2022-05-27
申请号：CN202110628360.6
申请日：2021-06-04
Applicant: 福州大学
Abstract: 本发明涉及一种射击训练瞬时击发动作识别及标准性辅助评价方法，步骤S1：根据部署在枪支或射击者手腕的三轴加速度计采集含教导员和学员射击训练相关动作的加速度信号作为模型输入；步骤S2：对采集的加速度信号进行预处理，得到训练和测试数据集；步骤S3：采用机器学习分类算法KNN对训练数据集中瞬时击发信号和非瞬时击发信号样本数据进行学习分类，并用网格搜索法寻找出最佳超参数，得到射击训练瞬时击发动作的分类器；步骤S4：基于DTW算法设计枪支射击瞬时击发动作标准性评价模板；步骤S5：根据上述步骤指示识别瞬时击发信号与标准瞬时击发信号模板之间相似度。本发明能够辅助射击者快速了解自己的射击训练情况，对自己的射击水平有大致参照。
-
公开(公告)号：CN114187208A
公开(公告)日：2022-03-15
申请号：CN202111549115.2
申请日：2021-12-17
Applicant: 福州大学
Abstract: 本发明提供了一种基于融合代价和自适应惩罚项系数的半全局立体匹配方法，首先采用指数融合公式将输入图像的Census变换代价值、AD代价值、输入图像的方向梯度和方向梯度进行结合，获得融合匹配代价；然后根据像素点所处位置的颜色分量和梯度分量，选择对应的系数进行多路代价聚合；接着在三维视差空间中选择代价值最小的视差值，组成初始视差图；最后经过视差优化处理流程，得到最终的视差图。在Middlebury平台的Cones、Teddy和Tsukuba图像上的实验表明，相比原始半全局立体匹配算法，应用本技术方案可实现所有区域平均误差降低13.3%～34.5%；不连续区域平均误差降低20.3%～36.2%；非遮挡区域平均误差降低13.8%～51%。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.028 seconds)
